KeyFrame內部研究專用

AMD官網出大事了!😱Zen 6核心機密意外流出,下代處理器竟然要砍掉這個?千萬別買錯!🔥

商業本質·6月19日週五·22 min中文

三句話摘要

AMD官網洩露Zen6架構機密,揭示芯片產業AI焦慮與巨頭聯合對抗的深層博弈。 芯片產業的AI焦慮正在加速巨頭重組,用戶需要警惕技術路線圖的樂觀性,現階段購買成熟平台而非盲目等待才是最理智的選擇。 桌面端砍核顯換NPU反映過度AI焦慮:AMD為達微軟40TOPS端側算力標準,在移動端配NPU可以理解,但桌面用戶絕大多數配獨立顯卡,NPU性能毫無競爭力。失去核顯後用戶無法進行故障排查,這是體驗的巨大退步,暴露廠商盲目跟風AI概念的問題。

重點整理

重點
  • 1

    桌面端砍核顯換NPU反映過度AI焦慮:AMD為達微軟40TOPS端側算力標準,在移動端配NPU可以理解,但桌面用戶絕大多數配獨立顯卡,NPU性能毫無競爭力。失去核顯後用戶無法進行故障排查,這是體驗的巨大退步,暴露廠商盲目跟風AI概念的問題。

  • 2

    軟件生態分化體現資源不足:RX7000系列今年7月獲FSR4.1,但RX6000延至2027年初,原因是RDNA 2缺AI硬件加速器,需用GPU模擬造成效率低下。相比NVIDIA早年就在所有RTX卡集成AI核心,AMD決策時差導致現在的局面。

  • 3

    Intel與NVIDIA聯合改寫行業格局:Serpent Lake將X86與RTX焊在同芯片,直接威脅AMD在輕薄本和掌機市場的APU優勢。巨頭聯合體現AI時代軟件生態和硬件架構重新定義,讓AMD傳統優勢難以應對。

  • 4

    2納米成本壓力驅動設計取舍:晶圓成本逼近3萬美元/片,每平方毫米都是真金白銀,迫使AMD砍核顯來控制面積,這是不得已的商業妥協。也意味著Zen6定價偏高,普通用戶難以承受制程紅利。

實用技巧與重點

乾貨
  • 微軟AI PC標準:至少40TOPS端側算力
  • 台積電2納米晶圓代工價格:單片逼近3萬美元
  • 桌面端Zen6代號:Olympic Ridge(砍核顯、配NPU)
  • 服務器端Zen6代號:Mastodon
  • 線程撕裂者代號:Mustang Peak(2納米、PCIe 6.0、新增TR6插槽取代TR5)
  • Intel與NVIDIA合作代號:Serpent Lake,計劃2028年Q1推出
  • NVIDIA向Intel投資:50億美元購買股票
  • RX顯卡架構:RX7000(RDNA 3,含AI硬件加速器)、RX6000(RDNA 2,無加速器)
  • FSR軟件支持時程:RX7000系列7月、RX6000系列延至2027年初
  • AM5平台承諾:向下兼容至PCIe 6.0時代

結論

結論

芯片產業的AI焦慮正在加速巨頭重組,用戶需要警惕技術路線圖的樂觀性,現階段購買成熟平台而非盲目等待才是最理智的選擇。

完整解析

詳細

AMD官網的意外洩露揭示了整個PC芯片產業正在經歷的深刻變革。文件最引人注目的內容是下一代桌面端Ryzen處理器(代號Olympic Ridge)計劃砍掉集成顯卡,用專門的NPU單元取代。這個決定在科技圈引發了巨大爭議,因為AMD在Ryzen 7000系列才剛剛普及核顯,如今卻要捨棄這個實用功能。看似激進的決策背後,反映了更複雜的產業博弈和成本壓力。

桌面端砍核顯這一選擇本質上是被逼無奈。AMD面臨的核心壓力來自於成本:Zen6全系採用台積電2納米工藝,單片晶圓代工價格已逼近3萬美元,芯片每一平方毫米都成了寶貴資源。在功耗和溫度控制的雙重約束下——現代高端CPU發熱量已達200到300瓦——如果不砍掉使用率低的核顯單元,就無法在晶圓面積內容納更多核心和NPU單元。用戶失去的是顯卡故障時唯一的故障排查工具,這是商業現實下的被迫選擇。

AMD在軟件生態上的資源匱乏也暴露無遺。FSR4.1作為基於機器學習的超分辨率技術,RX7000系列(RDNA 3架構含AI硬件加速器)今年7月就能獲得支持,但RX6000系列(RDNA 2無加速器)卻要延至2027年初。兩年半的等待期背後是一個殘酷事實:舊架構需要用通用計算核心去模擬AI運算,效率極低且代碼優化成本巨大。相比NVIDIA多年前就預見性地在所有RTX卡中集成AI核心,AMD的軟件生態決策滯後了整整一代。

最令人震驚的情報來自供應鏈爆料:Intel和NVIDIA這兩個死敵正在秘密聯手開發Serpent Lake芯片,計劃在2028年第一季度推出。這款產品將把Intel的X86處理器核心與NVIDIA的RTX圖形技術焊在同一芯片上——正是AMD一直獨占的APU優勢。NVIDIA的50億美元投資Intel股票並非單純財務合作,而是一張進場券。一旦Serpent Lake面世,輕薄本和掌機市場將不再需要AMD,因為X86加RTX的組合將直接碾壓AMD的Radeon融合方案,而NVIDIA的DLSS和CUDA生態成熟度遠超AMD的ROCm。

這場產業混戰背後是硬件架構和軟件生態的全面重組。AMD雖然通過模塊化小芯片設計逆襲過Intel,但當Intel向掌握AI和圖形霸權的NVIDIA低頭結盟時,整個PC市場的權力天平就發生了根本傾斜。Zen6採用2納米工藝可能實現對Intel的跨代碾壓,但成本代價高昂導致定價必然偏高。普通消費者盲目等待這些浮在雲端的技術落地,恐怕要再等3到5年,而且面臨更高的價格和各種妥協。

關鍵時刻

Pipeline v2

帶時間戳的重點,會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。

事實查核

Pipeline v2

說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。

更多「AI 技術」的內容

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing
編輯精選
83 min
AI 技術英文PODCAST8月26日

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing

Latent Space

  • 加速傳統物理模擬的典範轉移:氣象科學家原本認為 AI 無法匹敵數十年的物理建模工作,但傅里葉神經算子不僅達到同等精度,還快了一萬多倍。原本需要超級計算機的計算現在用消費級 GPU 就能完成,這改變了整個領域的思維方式。
  • 傅里葉域的非局部現象捕捉:傅里葉域能有效表示非局部現象(如大氣河流跨越千里的影響),且計算複雜度為準線性,遠優於完全連接的全局模型。這特別適合流體動力學、量子化學等自然現象中普遍存在的非局部相互作用。
  • 多解析度連續函數表示:神經算子將輸入輸出視為連續函數而非固定維度向量,可在推論時以任意解析度查詢,並能在更高解析度上疊加物理約束或額外數據,克服了固定解析度神經網路的限制。
Between Two Nerds: Attribution is dead, long live attribution
32 min
AI 技術英文PODCAST8月25日

Between Two Nerds: Attribution is dead, long live attribution

Risky Business

  • 工具成本的破壞性下降 — 傳統上,攻擊者必須重複使用昂貴自製的惡意軟體或工具組,因為開發和維護成本極高。這種成本結構使得安全研究人員可以通過工具特徵和程式碼簽名來追蹤攻擊者。LLM 自動化了代碼生成與維護工作流,使得攻擊者可以輕易為每個目標生成新工具,或改用通用系統工具,導致傳統的工具特徵分析失效。
  • 所有取證證據都在攻擊者掌控之中 — 無論是使用的 IP 位址、惡意軟體類型或戰術流程,這些都是攻擊者的主動選擇。即使看似是隨機巧合,攻擊者仍有能力在事前決定留下什麼痕跡。因此,所有可恢復的取證證據本質上都是攻擊者願意暴露的信息。
  • LLM 削弱工具簽名但保留高階行為特徵 — LLM 經過公開駭客技術訓練,使不同使用者產生相似的攻擊模式。然而,勒索軟體集團、國家級行為者的受害者選擇、贖金要求方式或目標模式等高階特徵仍具有識別價值。例如,鎖定加密交易所的攻擊幾乎只能指向朝鮮。
Why the Next AI Breakthrough May Come from Physics with Max Welling - #774
55 min
AI 技術英文PODCAST8月25日

Why the Next AI Breakthrough May Come from Physics with Max Welling - #774

TWIML AI

  • 多層篩選的材料設計流程:先搜尋文獻資料庫找現有材料,若無合適的就用生成模型產生數十萬個候選分子,用機器學習力場進行分子動力學模擬篩選,再進行實驗驗證。這套流程相比傳統量子力學計算能加速效率數個數量級。
  • 生成AI與熱力學的數學等價性:資訊論是兩個領域的共同基礎,生成模型的擴散過程與非平衡統計力學描述資訊損失的過程在數學上完全對應,許多開發出來的方法工具在兩領域都有精確對應的形式。
  • 基礎模型的遷移學習策略:先在廣泛材料資料集上訓練基礎力場表示,再針對特定材料類別進行蒸餾微調,既能保持計算效率也能獲得專一性。